Sistemas y Señales Biomédicos

Laboratorio 005: Modelo estadístico para la clasificación de arritmias

SYSB

Actividad de Aprendizaje: Procesamiento de señales electrocardiográficas

El procesamiento de señales de origen fisiológico —como las provenientes de sistemas cardiovasculares, neuromusculares o musculoesqueléticos— constituye un área clave dentro de la ingeniería biomédica y las ciencias de la salud. Su correcta interpretación requiere no solo conocimientos técnicos avanzados, sino también una capacidad crítica para integrar información multidisciplinar.

Los objetivos de esta actividad son:

1. Analizar y comparar diferentes enfoques teóricos sobre el procesamiento de señales fisiológicas (ECG, EMG, PPG, etc.).
2. Evaluar la calidad y rigurosidad técnica de fuentes bibliográficas científicas.
3. Fomentar el pensamiento crítico y la capacidad de síntesis de los estudiantes.
4. Desarrollar habilidades de lectura técnica y argumentación científica en contextos biomédicos.

Duración

4.5 horas

Materiales

• Computador.
• Zheng, J., Zhang, J., Danioko, S. et al. A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients. Sci Data 7, 48 (2020). https://doi.org/10.1038/s41597-020-0386-x
• Dataset
• Zheng, J., Chu, H., Struppa, D. et al. Optimal Multi-Stage Arrhythmia Classification Approach. Sci Rep 10, 2898 (2020). https://doi.org/10.1038/s41598-020-59821-7
• M. A. Martínez González, A. Sánchez-Villegas, E. A. Toledo Atucha, y J. Faulin Fajardo, Bioestadística amigable, Third. Madrid, España: Elsevier, 2020.

---

Actividades prácticas

En esta sección, se presentan las actividades prácticas que los estudiantes deben realizar para cumplir con el laboratorio. Es importante advertir que aparecerán múltiples palabras nuevas y que son propias del análisis de electrocardiografía. Para ello utilizando lo visto en los laboratorio 2, 3 y 4, explicar estos términos nuevos (aparecen en negrita).

Fase 1 – Carga y visualización (Entrega: 22 de abril de 2025)

1. Cargar una señal electrocardiográfica aleatoria del dataset.
2. Visualizar la señal cruda.
3. Identificar ruido de línea base y artefactos. Explique que tipos de artefactos pueden aparecen en esta señal. Haga uso de diferentes artículos de naturaleza académica, por su puesto referencielos.

Fase 2 – Preprocesamiento (Entrega 6 de mayo de 2025)

1. Realice un Filtrado paso banda (0.5–40 Hz). Porque se utiliza este rango de frecuencia? Se aplica un filtro FIR o IIR, porque?
2. Aplicar una normalización de escala a la señal. ¿Por qué
3. Aplicar un corte de ruido de línea base a la señal. ¿Que técnicas existen para tal fin?
4. Aplicar un corte de artefactos a la señal. ¿Qué técnicas existen para tal fin?

Fase 3 – Detección de picos R y segmentación (Entrega Semana del 19 de mayo de 2025)

1. Realice una detección de picos R utilizando un algoritmo específico. ¿Qué algoritmo se ha utilizado? ¿Por qué? ¿Qué ventajas y desventajas tiene? Que tecnicas matematicas se han utilizado para el algoritmo?
2. Calcular intervalos RR y frecuencia cardíaca instantánea. Que es una frecuencia cardíaca instantánea? ¿Por qué es importante?
3. Segmentar la señal en intervalos de tiempo correspondientes a cada complejo QRS. ¿Que técnica utilizó y cual es la base matemática en la que se basó?

Fase 4 – Extracción de características (Entrega Semana del 19 de mayo de 2025)

1. Para cada sujeto del conjunto de datos, calcule las siguientes características:
   1. Frecuencia cardíaca promedio.
   2. Frecuencia cardíaca máxima.
   3. Frecuencia cardíaca mínima.
   4. Intervalo RR promedio.
   5. Intervalo RR máximo.
   6. Intervalo RR mínimo.
   7. Coeficiente de variación de la frecuencia cardíaca.
   8. Número de latidos
2. Existen otras características que se pueden calcular, ¿cuáles son? Referencie al menos 3 artículos de naturaleza académica.
3. Forme una tabla con las características calculadas para cada sujeto. Cada fila corresponde a un sujeto y cada columna corresponde a una característica.
4. Determine si cada característica es paramétrica o no. Se recomienda utilizar técnicas estadísticas para determinar si una característica es paramétrica o no.
5. Con la información de parametricidad de la variable, determine si esta tiene diferencias estadísticamente para las personas con arritmias y las personas sin arritmias.
6. Utilizando un algoritmo de regresión logística, plantee un __modelo estadístico de clasificació__n. ¿Qué es una regresión logística? ¿Como se puede calcular? Que es un modelo estadístico de clasificación?